祝贺实验室论文发表于 IEEE Transactions on Medical Imaging | 提出可解释影像-遗传神经网络，实现阿尔茨海默病精准风险预测

阿尔茨海默病（AD）是导致痴呆的主要原因，其精准的风险预测和早期诊断对于早期临床干预至关重要。研究表明，遗传因素在AD发病风险中占据58-79%的比重。同时，结构磁共振成像（sMRI）等神经影像学技术在检测脑结构变化方面展现出强大能力。然而，现有的预测模型面临两大挑战：一是难以有效捕获多模态数据（如异质性的基因与影像数据）之间复杂的非线性相互作用；二是深度学习模型往往是“黑盒”，缺乏临床应用和新型生物标志物发现所必需的生物学可解释性。为此，研究团队开发了一种名为EIGNN（Explainable Imaging-Genetic Neural Network）的可解释影像-遗传神经网络模型。该模型创新性地整合了遗传与神经影像数据，旨在实现准确、稳健且具备生物学解释性的AD风险预测。

图1 EIGNN模型架构设计

 图2 模型解释性与基因-脑区交互分析

研究团队为EIGNN设计了由生物学先验知识驱动的网络架构，包含了多GWAS单核苷酸多态性（SNP）筛选策略、增强型可解释神经网络设计以及模态注意力机制。该模型能够将遗传变异分层映射到其靶基因和生物学通路上，并进一步与神经影像特征进行深度融合。研究发现，在AD预测及轻度认知障碍（MCI）预后预测任务中，EIGNN模型均显著优于现有的多种代表性方法，并展现出卓越的泛化鲁棒性和可重复性。更重要的是，团队提出了一种新颖的“受生物学启发的多模态特征交互图”框架，成功实现了从基因到脑区级别的跨模态解释。通过该方法，研究不仅识别出了高权重的APOE区域相关基因，还重点发现了一批AD风险基因（如NECTIN2、APOC1、APH1B以及潜在新风险基因GEMIN7）和生物学通路（如免疫系统、自噬等）。模型进一步揭示了这些风险基因与海马体、杏仁核等AD相关脑区之间错综复杂的跨模态交互关系。最后，团队利用外部多组织数据集进行了基因和蛋白质表达的功能与富集分析，验证了模型所提取特征的生物学合理性。

总体而言，本研究提出了一种深度融合先验知识的可解释多模态深度学习框架，系统解析了遗传因素与脑区结构变化在AD进程中的协同作用。该工作不仅大幅提升了AD早期预测的准确性和鲁棒性，还打破了深度学习的“黑盒”限制，为理解阿尔茨海默病的复杂发病机制提供了全新的跨模态视角，并为未来临床应用及新型治疗靶标的发现展示了广阔的应用前景。